論文の概要: Learning from Multiple Datasets with Heterogeneous and Partial Labels
for Universal Lesion Detection in CT
- arxiv url: http://arxiv.org/abs/2009.02577v3
- Date: Sun, 3 Jan 2021 18:55:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-21 21:00:30.709908
- Title: Learning from Multiple Datasets with Heterogeneous and Partial Labels
for Universal Lesion Detection in CT
- Title(参考訳): CTにおけるユニバーサル病変検出のための不均一ラベルと部分ラベルを用いた複数データセットからの学習
- Authors: Ke Yan, Jinzheng Cai, Youjing Zheng, Adam P. Harrison, Dakai Jin,
Youbao Tang, Yuxing Tang, Lingyun Huang, Jing Xiao, Le Lu
- Abstract要約: 我々は、Lesion ENSemble(LENS)という、シンプルで効果的な病変検出フレームワークを構築した。
LENSはマルチタスク方式で複数の異種病変データセットから効率的に学習することができる。
我々は4つのパブリックな病変データセットでフレームワークをトレーニングし、DeepLesionで800のサブボリュームを手作業でラベル付けして評価する。
- 参考スコア(独自算出の注目度): 25.351709433029896
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large-scale datasets with high-quality labels are desired for training
accurate deep learning models. However, due to the annotation cost, datasets in
medical imaging are often either partially-labeled or small. For example,
DeepLesion is such a large-scale CT image dataset with lesions of various
types, but it also has many unlabeled lesions (missing annotations). When
training a lesion detector on a partially-labeled dataset, the missing
annotations will generate incorrect negative signals and degrade the
performance. Besides DeepLesion, there are several small single-type datasets,
such as LUNA for lung nodules and LiTS for liver tumors. These datasets have
heterogeneous label scopes, i.e., different lesion types are labeled in
different datasets with other types ignored. In this work, we aim to develop a
universal lesion detection algorithm to detect a variety of lesions. The
problem of heterogeneous and partial labels is tackled. First, we build a
simple yet effective lesion detection framework named Lesion ENSemble (LENS).
LENS can efficiently learn from multiple heterogeneous lesion datasets in a
multi-task fashion and leverage their synergy by proposal fusion. Next, we
propose strategies to mine missing annotations from partially-labeled datasets
by exploiting clinical prior knowledge and cross-dataset knowledge transfer.
Finally, we train our framework on four public lesion datasets and evaluate it
on 800 manually-labeled sub-volumes in DeepLesion. Our method brings a relative
improvement of 49% compared to the current state-of-the-art approach in the
metric of average sensitivity. We have publicly released our manual 3D
annotations of DeepLesion in
https://github.com/viggin/DeepLesion_manual_test_set.
- Abstract(参考訳): 高精度なディープラーニングモデルのトレーニングには,高品質なラベル付き大規模データセットが望ましい。
しかし、アノテーションコストのため、医療画像のデータセットは部分的にラベル付けされるか小さいかのどちらかであることが多い。
例えば、DeepLesionは様々なタイプの病変を持つ大規模なCT画像データセットであるが、多くのラベルのない病変(アノテーションを欠く)もある。
部分的にラベル付けされたデータセット上で病変検出のトレーニングを行うと、不足したアノテーションが誤った負の信号を生成し、性能を低下させる。
DeepLesion以外にも、肺結節のLUNAや肝腫瘍のLiTSなど、いくつかの小さな単一タイプのデータセットがある。
これらのデータセットは異種ラベルスコープを持ち、異なる病原体タイプは異なるデータセットにラベル付けされ、他の型は無視される。
本研究では,様々な病変を検出する普遍的病変検出アルゴリズムを開発することを目的とする。
異種および部分ラベルの問題に取り組む。
まず,Lesion ENSemble(LENS)という簡易かつ効果的な病変検出フレームワークを構築した。
LENSはマルチタスク方式で複数の異種病変データセットから効率的に学習し、提案融合によりそれらの相乗効果を利用することができる。
次に, 臨床知識と横断的知識伝達を活用し, 部分的にラベルされたデータセットから欠落したアノテーションを抽出するための戦略を提案する。
最後に、我々のフレームワークを4つのパブリックな病変データセットでトレーニングし、DeepLesionの800のサブボリュームで評価する。
本手法は, 平均感度測定における最先端手法と比較して49%の相対的な改善をもたらす。
私たちは、DeepLesionのマニュアル3Dアノテーションをhttps://github.com/viggin/DeepLesion_manual_test_setで公開しました。
関連論文リスト
- Cross-Dataset Adaptation for Instrument Classification in Cataract
Surgery Videos [54.1843419649895]
特定のデータセットでこのタスクをうまく実行する最先端モデルでは、別のデータセットでテストすると、パフォーマンスが低下する。
本稿では,Barlow Adaptorと呼ばれる新しいエンドツーエンドのUnsupervised Domain Adaptation (UDA)手法を提案する。
さらに,BFAL(Barlow Feature Alignment Loss)と呼ばれる,異なるドメインにまたがる特徴を整列させる新たな損失を導入する。
論文 参考訳(メタデータ) (2023-07-31T18:14:18Z) - Weakly-supervised positional contrastive learning: application to
cirrhosis classification [45.63061034568991]
大規模な医療画像データセットは、低信頼で弱いラベルで安価に注釈を付けることができる。
組織学に基づく診断のような高信頼なラベルへのアクセスは稀で費用がかかる。
提案手法は,効率的な弱教師付き位置対応学習戦略 (WSP) を提案する。
論文 参考訳(メタデータ) (2023-07-10T15:02:13Z) - An End-to-End Framework For Universal Lesion Detection With Missing
Annotations [24.902835211573628]
そこで本研究では,検出器を同時に訓練しながら,ラベルのない病変をマイニングするための新しいエンドツーエンドフレームワークを提案する。
本研究の枠組みは,高信頼度予測と,学生モデル学習のための部分的にラベル付けされた基礎的真理が組み合わさっている。
論文 参考訳(メタデータ) (2023-03-27T09:16:10Z) - Transfer learning with weak labels from radiology reports: application
to glioma change detection [0.2010294990327175]
弱いラベル(不正確だが高速に生成するアノテーション)とトランスファーラーニング(TL)の併用を提案する。
具体的には、ソースドメインとターゲットドメインが同一であるが、ラベルシフトによってタスクが異なるインダクティブTLについて検討する。
低容量VGGと高容量SEResNeXtを比較し,モデルサイズとTLの関係について検討した。
論文 参考訳(メタデータ) (2022-10-18T09:15:27Z) - Pseudo-label refinement using superpixels for semi-supervised brain
tumour segmentation [0.6767885381740952]
限定アノテーションを用いたニューラルネットワークのトレーニングは、医療領域において重要な問題である。
半教師付き学習は、注釈付きデータが少ないセグメンテーションを学習することでこの問題を克服することを目的としている。
擬似ラベルの精度を向上させるために,スーパーピクセルに基づくフレームワークを提案する。
論文 参考訳(メタデータ) (2021-10-16T15:17:11Z) - Label Cleaning Multiple Instance Learning: Refining Coarse Annotations
on Single Whole-Slide Images [83.7047542725469]
病理検体の全スライディング画像(WSI)における癌領域のアノテーションは、臨床診断、生医学研究、機械学習アルゴリズムの開発において重要な役割を担っている。
本稿では,外部トレーニングデータを必要とせず,単一のWSI上で粗いアノテーションを洗練するためのLC-MIL (Label Cleaning Multiple Instance Learning) を提案する。
乳癌リンパ節転移,肝癌,大腸癌の検体を併用した異種 WSI 実験の結果,LC-MIL は粗いアノテーションを著しく改善し,単一スライドから学習しながらも,最先端の代替品よりも優れていた。
論文 参考訳(メタデータ) (2021-09-22T15:06:06Z) - Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions
Segmentation [79.58311369297635]
異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。
wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。
新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
論文 参考訳(メタデータ) (2020-12-08T02:26:03Z) - Towards Robust Partially Supervised Multi-Structure Medical Image
Segmentation on Small-Scale Data [123.03252888189546]
データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。
マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。
本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
論文 参考訳(メタデータ) (2020-11-28T16:31:00Z) - ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised
Medical Image Segmentation [99.90263375737362]
教師-学生最適化の非同期版であるATSOを提案する。
ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。
医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
論文 参考訳(メタデータ) (2020-06-24T04:05:12Z) - Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。
本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。
我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
論文 参考訳(メタデータ) (2020-06-06T06:48:40Z) - Universal Lesion Detection by Learning from Multiple Heterogeneously
Labeled Datasets [23.471903581482668]
我々は,全データセットを用いてマルチヘッドマルチタスク病変検出法を学習し,DeepLesionの病変提案を生成する。
単一型病変検出装置からの知識伝達により,疑わしいが無意味な病変が発見された。
本手法は, 平均感度の測定値において, 現在の最先端手法よりも29%優れていた。
論文 参考訳(メタデータ) (2020-05-28T02:56:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。